【Python】辣条君写爬虫1【贝壳房价爬取】

一、网页分析

爬取贝壳网石家庄二手房信息,先打开链接 https://sjz.ke.com/ershoufang/
【Python】辣条君写爬虫1【贝壳房价爬取】
不添加筛选条件,发现总共有42817套房子。我们点击第二页,再查看链接变成了https://sjz.ke.com/ershoufang/pg2/。所以,可发现/pg{i},i就是页码。经过辣条君体育老师教授的数学,数了一下,一页30个,最多可选100页。
【Python】辣条君写爬虫1【贝壳房价爬取】
所以最多可爬取3000套房产信息,距离上面给出的4万多差的还很远,于是尝试把pg{i}的那个i人为改变一下,点击回车请求一下。

https://sjz.ke.com/ershoufang/pg200/

https://sjz.ke.com/ershoufang/pg300/

发现这两个请求,返回房产信息数据都一样。都是第100页的信息,于是乎,得出结论。通过贝壳网web端,查看某一条件下的房产信息,最多可以查看3000套。害,最多才能买3000套,有钱花不出去的感觉真难受啊~ 逃:)~~

【Python】辣条君写爬虫1【贝壳房价爬取】
所以呢,我们增加一些条件,比如,满五唯一,2室的。请求之~
【Python】辣条君写爬虫1【贝壳房价爬取】
发现链接变成了https://sjz.ke.com/ershoufang/pg2mw1l2/mw1l2这个玩意应该筛选条件。看到只有2399套,欧克,咱们就爬它了。

二、撸起袖子写代码

麻雀虽小五脏俱全,本爬虫设计三个部分,爬取,解析,储存

爬取

爬取利用requests库,比python内置库urllib要好用很多。

import requests

def get_a_page(url):

result = requests.get(url)

print(result.text)

if __name__ == '__main__':

for i in range(1, 101):

get_a_page(f'https://sjz.ke.com/ershoufang/pg{i}mw1l2/')

for循环打印返回数据,发现没问题。其实i循环到81就好了,毕竟咱们知道了,只有不到2400套嘛。

解析

解析使用pyquery ,这个库使用起来类似于Jquery。完整API,https://pythonhosted.org/pyquery/api.html。还有一个解析库`bs4,下次再尝试。

【Python】辣条君写爬虫1【贝壳房价爬取】

发现读取如图所示ul里面一个div就可以拿到我们想要的数据。

import requests

from pyquery import PyQuery as pq

import json

def get_a_page(url):

result = requests.get(url)

doc = pq(result.text)

ul = doc('.sellListContent')

divs = ul.children('.clear .info.clear').items()

for div in divs:

count += 1

title = div.children('.title a').text()

place = div.children('.address .flood .positionInfo a').text()

msg = div.children('.address .houseInfo').text()

price = div.children('.address .priceInfo .totalPrice span').text()

per_meter = div.children('.address .priceInfo .unitPrice').attr('data-price')

dict = {

'title': title,

'place': place,

'msg': msg,

'price': price,

'per_meter': per_meter

}

print(str(count) + ':' + json.dumps(dict, ensure_ascii=False))

代码如上,pyquery 的children方法是查找子标签,find方法是找子孙标签,此处我们只需要找下一代就好。然后通过text找到标签所包含的文本。attr是获取属性内容的,因为那个per_meter从属性中获取比较简单,标签中的内容还包含了“元/平米”。

储存

本次我们直接储存到csv中,一种类似于excel的文件格式。利用的是pandas库。

完整代码如下:

import requests

from pyquery import PyQuery as pq

import json

import pandas as pd

columns = ['title', 'msg', 'price', 'per_meter']

# 爬取某网页

def get_a_page(url):

result = requests.get(url)

doc = pq(result.text)

ul = doc('.sellListContent')

divs = ul.children('.clear .info.clear').items()

count = 0

titles = []

places = []

msgs = []

prices = []

per_meters = []

for div in divs:

count += 1

title = div.children('.title a').text()

place = div.children('.address .flood .positionInfo a').text()

msg = div.children('.address .houseInfo').text()

price = div.children('.address .priceInfo .totalPrice span').text()

per_meter = div.children('.address .priceInfo .unitPrice').attr('data-price')

dict = {

'title': title,

'place': place,

'msg': msg,

'price': price,

'per_meter': per_meter

}

titles.append(title)

places.append(place)

msgs.append(msg)

prices.append(price)

per_meters.append(per_meter)

print(str(count) + ':' + json.dumps(dict, ensure_ascii=False))

datas={

'title': titles,

'place': places,

'msg': msgs,

'price': prices,

'per_meter': per_meters

}

df = pd.DataFrame(data=datas, columns=columns)

df.to_csv('sjz.csv', mode='a', index=False, header=False)

if __name__ == '__main__':

for i in range(1, 101):

get_a_page(f'https://sjz.ke.com/ershoufang/pg{i}mw1l2/')

多进程

由于get_a_page函数要运行100次,有点小慢,所以利用多进程加快速度,这部分代码,请直接copy。

将主函数改成如下所示

from multiprocessing.pool import Pool

if __name__ == '__main__':

pool = Pool(5)

group = ([f'https://sjz.ke.com/ershoufang/pg{x}mw1l2/' for x in range(1, 101)])

pool.map(get_a_page,group)

pool.close()

pool.join()

三、结束

查看下效果:

【Python】辣条君写爬虫1【贝壳房价爬取】
效果还可以。有人会说,为什么不把msg信息拆分一下,分别储存楼层、几室几厅、建筑年代等等多好。刚开始,我是那么做的,结果发现这个msg数据那几项不是必填项,有的建筑年代、楼层什么的房主不填写,索性就整个拿过来了。

辣条君的第一个爬虫就这样结束了。虽然简单,但是写完,还是有点小小的满足感。今后还会继续学习爬虫,写一些博客发出来。小伙伴们,点个赞再走嘛~

以上是 【Python】辣条君写爬虫1【贝壳房价爬取】 的全部内容, 来源链接: utcz.com/a/89374.html

回到顶部